論文の概要: Fault detection in propulsion motors in the presence of concept drift

• arxiv url: http://arxiv.org/abs/2406.08030v2
• Date: Mon, 27 Jan 2025 10:34:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-28 13:51:56.688059
• Title: Fault detection in propulsion motors in the presence of concept drift
• Title（参考訳）: コンセプトドリフトの存在下での推進電動機の故障検出
• Authors: Martin Tveten, Morten Stakkeland,
• Abstract要約: 海上電気推進モータの固定子巻線における過熱を検出するための機械学習手法を提案する。 操作データに注入された過熱断層を模擬し, 従来手法と比較して早期検出が可能であった。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Machine learning and statistical methods can improve conventional motor protection systems, providing early warning and detection of emerging failures. Data-driven methods rely on historical data to learn how the system is expected to behave under normal circumstances. An unexpected change in the underlying system may cause a change in the statistical properties of the data, and by this alter the performance of the fault detection algorithm in terms of time to detection and false alarms. This kind of change, called \textit{concept drift}, requires adaptations to maintain constant performance. In this article, we present a machine learning approach for detecting overheating in the stator windings of marine electrical propulsion motors. Using simulated overheating faults injected into operational data, the methods are shown to provide early detection compared to conventional methods based on temperature readings and fixed limits. The proposed monitors are designed to operate for a type of concept drift observed in operational data collected from a specific class of motors in a fleet of ships. Using a mix of real and simulated concept drifts, it is shown that the proposed monitors are able to provide early detections during and after concept drifts, without the need for full model retraining.
• Abstract（参考訳）: 機械学習と統計的手法は、従来のモーター保護システムを改善することができ、早期の警告と出現する障害の検出を提供する。 データ駆動の手法は、システムが通常の状況下でどのように振る舞うかを学ぶために、歴史的データに依存する。 基盤システムの予期せぬ変化は、データの統計的特性の変化を引き起こし、これにより、検出と誤警報の時間の観点から、故障検出アルゴリズムの性能が変化する可能性がある。 この種の変更は、‘textit{concept drift}’と呼ばれ、一定のパフォーマンスを維持するために適応を必要とする。 本稿では,海洋電気推進モータの固定子巻線における過熱を検出するための機械学習手法を提案する。 運用データに導入した模擬過熱断層を用いて, 温度測定と固定限界に基づく従来手法と比較して早期検出が可能であることを示す。 提案したモニターは、船群内の特定の種類のモーターから収集された運用データで観測されるコンセプトドリフトの種類のために運用されるように設計されている。 実物とシミュレーションされたコンセプトドリフトの混合を用いて、提案したモニターは、完全なモデル再訓練を必要とせず、コンセプトドリフトの前後で早期検出を行うことができることを示した。

関連論文リスト

• Adversarial Attacks for Drift Detection [6.234802839923542]
  本研究は、よく用いられるドリフト検出スキームの欠点について研究する。 ドリフト中のデータストリームを検出せずに構築する方法を示す。 特に,一般的な検出手法に対して,可能なすべての逆数を計算する。
  論文  参考訳（メタデータ） (2024-11-25T17:25:00Z)
• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• Are Concept Drift Detectors Reliable Alarming Systems? -- A Comparative Study [6.7961908135481615]
  コンセプトドリフト(concept drift)またはコンセプトドリフト(concept drift)は、機械学習モデルのパフォーマンスに影響を与える。 本研究では, ドリフト検出装置の信頼性を評価し, 時間内ドリフトの同定を行う。 本研究の目的は,ドリフト検出器がどの状況で使用されるべきかを,実践者が理解できるようにすることである。
  論文  参考訳（メタデータ） (2022-11-23T16:31:15Z)
• A Robust and Explainable Data-Driven Anomaly Detection Approach For Power Electronics [56.86150790999639]
  本稿では,2つの異常検出・分類手法,すなわち行列プロファイルアルゴリズムと異常変換器を提案する。 行列プロファイルアルゴリズムは、ストリーミング時系列データにおけるリアルタイム異常を検出するための一般化可能なアプローチとして適している。 検知器の感度、リコール、検出精度を調整するために、一連のカスタムフィルタが作成され、追加される。
  論文  参考訳（メタデータ） (2022-09-23T06:09:35Z)
• Ranking-Based Physics-Informed Line Failure Detection in Power Grids [66.0797334582536]
  ライン障害のリアルタイムかつ正確な検出は、極端な気象の影響を緩和し、緊急制御を活性化する最初のステップである。 電力収支方程式は、非線形性、極端な事象における発生の不確実性の増加、グリッドオブザーバビリティの欠如は、従来のデータ駆動障害検出手法の効率を損なう。 本稿では,グリッドトポロジ情報を利用した物理インフォームドライン故障検出器(FIELD)を提案する。
  論文  参考訳（メタデータ） (2022-08-31T18:19:25Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• In-flight Novelty Detection with Convolutional Neural Networks [0.0]
  本稿では,予防的保守意思決定者の注意を喚起するために,システム出力の測定をリアルタイムに優先することを提案する。 本稿では,異常データのオンライン検出と優先順位付けのためのデータ駆動システムを提案する。 このシステムは低消費電力の組み込みハードウェアでリアルタイムに動作可能で、現在ロールス・ロイス・パール15のエンジン飛行試験に配備中である。
  論文  参考訳（メタデータ） (2021-12-07T15:19:41Z)
• Bayesian Autoencoders for Drift Detection in Industrial Environments [69.93875748095574]
  オートエンコーダは、マルチセンサー環境で異常を検出するために使用される教師なしモデルである。 異常は、実際の環境の変化(実際のドリフト)や、故障した感覚デバイス(仮想ドリフト)から生じる。
  論文  参考訳（メタデータ） (2021-07-28T10:19:58Z)
• Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
  ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。 降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
  論文  参考訳（メタデータ） (2021-07-14T21:10:47Z)
• Detecting Concept Drift With Neural Network Model Uncertainty [0.0]
  不確実ドリフト検出(UDD)は、真のラベルにアクセスすることなくドリフトを検出することができる。 入力データに基づくドリフト検出とは対照的に,現在の入力データが予測モデルの特性に与える影響を考察する。 UDDは2つの合成および10の実世界のデータセットにおいて、回帰処理と分類処理の両方において、他の最先端戦略よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-07-05T08:56:36Z)
• Labelling Drifts in a Fault Detection System for Wind Turbine Maintenance [0.0]
  産業資産が運営する動的環境における非定常性は概念ドリフト(concept drift)として知られる。 本稿では, 風力タービンのメンテナンスケースについて述べる。 風力タービンの寿命におけるドリフト現象のラベル付け手法を提案する。
  論文  参考訳（メタデータ） (2021-06-18T07:14:14Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。